情绪识别和情感计算是人机情感交互的关键环节,也是研究热点。目前的情绪识别主要是基于语音语调、面部表情、身体姿态、文本信息、生理信号等。其中,基于生理信号的情绪识别研究尤为突出,主要包含生理信号的采集、特征提取和特征识别三个方面的研究,论文主要围绕情绪诱发范式的实验设计、心电和脉搏信号采集与预处理、情感生理信号特征提取以及不同情绪模式的生理信号情感识别等方面进行了相关研究,主要研究内容如下:1)情绪诱发实验范式设计。针对高兴、悲伤、惊奇、自豪、愤怒、恐惧、感动、厌恶8种情绪,通过严格问卷方式获得激发情感强度较高的视频片段作为情绪诱发素材,采用Superlab软件设计情绪诱发实验范式,诱发被试产生对应的正负性情绪。2)心电和脉搏信号采集与预处理。利用MP150生理信号测量仪,采集8种情绪状态下的心电和脉搏信号,采用带阻切比雪夫Ⅱ型滤波器滤除50 Hz工频干扰,零相移数字滤波去除信号的基线漂移;设计巴特沃斯带通滤波器和小波阈值去噪方法,消除测量中的伪迹和噪声,获得纯净的情感生理信号。3)情感生理信号的特征提取。分别采用峰值检测分析法和小波变换方法,提取了不同情绪状态的心电和脉搏信号线性特征,包括时域统计特征和小波时频特征。利用非线性动力学分析方法,获取情感生理信号的非线性特征。4)心电和脉搏信号的情感特征分类。采用贝叶斯分类器,设计实现了基于心电和脉搏信号线性特征的正负性情绪分类,分别取得了79.1%和75.9%的分类正确率;设计深度神经网络分类器,利用栈式自编码深度学习算法,实现了心电和脉搏信号线性特征、线性和非线性融合特征的情绪识别,最高分类识别正确率分别达到97.6%和96.3%。5)对比分析了三种情绪模式,包括正负性情绪融合模式、单一情绪模式、六种基本情绪模式的情绪识别效果。结果表明:心电信号在三种不同模式下情绪识别正确率均高于脉搏信号;在同种分类器算法下,采用融合特征向量得到的识别正确率明显高于基本线性特征向量;朴素贝叶斯分类方法的识别正确率远低于栈式自编码深度学习算法。因此,对于三种不同的情绪模式,选取心电信号采用线性和非线性融合特征以及栈式自编码深度学习算法进行情绪识别,可以获得较好的识别结果。论文的研究成果在情感机器人、医疗大数据、心理学、情境学习、多媒体游戏开发、以及商业领域有着重要的科学与应用价值。